:Beli dan gunakan layanan komputasi model MaxCompute

Wilayah dan model yang didukung

• Wilayah yang didukung: Layanan komputasi model hanya tersedia di wilayah berikut.

  • Daratan Tiongkok: Tiongkok (Beijing), Tiongkok (Shanghai), Tiongkok (Hangzhou), Tiongkok (Shenzhen), Tiongkok (Ulanqab)

  • Internasional: Singapura

• Model yang didukung

  Model	Input yang didukung	Deskripsi
  qwen3.7-max	Hanya input teks	Model unggulan dari seri Qwen 3.7. Model ini menawarkan peningkatan komprehensif dalam inferensi, pembuatan kode, dan pemahaman multibahasa, sehingga cocok untuk tugas-tugas yang sangat kompleks.
  qwen3.7-plus	Input multimodal didukung	Model seimbang dalam seri Qwen 3.7 yang menyeimbangkan kinerja dan biaya, cocok untuk skenario tingkat perusahaan seperti analisis teks panjang dan percakapan multi-putaran.
  qwen3-vl-embedding	Input multimodal didukung	Model penyematan multimodal Qwen. Model ini membuat representasi vektor dari input campuran gambar-teks dan cocok untuk pengambilan lintas-modal serta pencocokan gambar-teks.
  text-embedding-v4	Hanya input teks	Model penyematan teks berpresisi tinggi yang cocok untuk tugas seperti pencarian semantik, pengelompokan, dan perhitungan kemiripan.
  qwen3.6-plus	Input multimodal didukung	Model seimbang dalam seri Qwen 3.6 yang menyeimbangkan kinerja dan biaya, cocok untuk tugas umum seperti percakapan, ringkasan, dan analisis.
  qwen3.6-flash	Input multimodal didukung	Model ringan dan berkecepatan tinggi dari seri Qwen 3.6. Waktu respons cepat dan biaya rendahnya menjadikannya ideal untuk layanan online berkonkurensi tinggi dan latensi rendah.
  deepseek-v4-pro	Hanya input teks	Model inferensi unggulan generasi keempat dari DeepSeek. Model ini unggul dalam tugas-tugas sulit seperti matematika, pengkodean, dan penalaran logis kompleks.
  deepseek-v4-flash	Hanya input teks	Model ringan generasi keempat dari DeepSeek. Dengan inferensi cepat dan hemat biaya, model ini ideal untuk percakapan sehari-hari dan tugas penalaran ringan.
  qwen3.5-397b-a17b	Input multimodal didukung	Model Mixture-of-Experts (MoE) dari seri Qwen 3.5. Model ini memiliki aktivasi parameter yang efisien, basis pengetahuan luas, dan kemampuan penalaran multi-langkah. Model ini dirancang untuk deduksi logis menantang, pembuatan kode full-stack, dan tanya jawab berbasis pengetahuan mendalam.
  qwen3-asr-flash	Input multimodal didukung	Model Pengenalan Suara Otomatis (ASR) ringan dari seri Qwen 3. Model ini memiliki transkripsi real-time berlatensi rendah dan konkurensi tinggi, ideal untuk skenario pemrosesan audio seperti transkripsi rapat, subtitel langsung, dan pengenalan perintah suara.
  qwen3-max (Akan ditinggalkan)	Hanya input teks	Model bahasa besar berkinerja tinggi dari seri Qwen, cocok untuk inferensi kompleks dan pembuatan konten.

Penagihan

Untuk detailnya, lihat Biaya Komputasi Model (Biaya Token).

Sebelum memulai

Anda hanya perlu mengaktifkan layanan satu kali per wilayah. Setelah diaktifkan, layanan tersebut tersedia secara default untuk semua Proyek di wilayah tersebut.

1. Masuk ke Konsol MaxCompute dan pilih wilayah di pojok kiri atas.

2. Di panel navigasi kiri, pilih Manage Configurations > Quotas .

3. Di halaman Quotas, klik New Quota.

   Di halaman pembelian, untuk Product Type, pilih Model Computing Service.

4. Di halaman layanan komputasi model MaxCompute, pilih wilayah, setujui perjanjian layanan, lalu aktifkan layanan tersebut.

5. Setelah pembelian selesai, kembali ke konsol. Kuota Pay-as-you-go bernama ai_InferenceQuota muncul di halaman Quota Management.

Berikan izin

Secara default, tidak ada akun (termasuk Akun Alibaba Cloud) atau role yang memiliki izin untuk menentukan kuota di tingkat pekerjaan. Anda harus secara eksplisit memberikan izin yang diperlukan sebelum dapat menggunakan fitur ini.

-- Tambahkan Akun Alibaba Cloud ke tenant dan berikan role tenant kepada akun tersebut.
ADD TENANT USER <Aliyun$xxxx>;
GRANT TENANT ROLE <role_name> TO USER <Aliyun$xxxx>;

-- Lihat izin role tenant atau pengguna.
SHOW GRANTS FOR TENANT ROLE <role_name>;
SHOW GRANTS FOR TENANT USER <user_name>;
SHOW PRINCIPALS FOR TENANT [ROLE] <role_name>;

Penggunaan

import os

import pandas as pd
import maxframe.dataframe as md
from maxframe import new_session
from maxframe.config import options
from maxframe.learn.contrib.llm import ImageContentType
from maxframe.learn.utils import read_odps_model
from odps import ODPS

# Konfigurasikan mesin eksekusi: prioritaskan DPE
options.dag.settings = {
    "engine_order": ["DPE", "MCSQL"],
}

# 1. Buat koneksi ODPS
o = ODPS(
    os.getenv("ALIBABA_CLOUD_ACCESS_KEY_ID"),
    os.getenv("ALIBABA_CLOUD_ACCESS_KEY_SECRET"),
    project="<your-project-name>",
    endpoint="<your-endpoint>",  # Contoh: https://service.cn-shanghai.maxcompute.aliyun.com/api
)

# 2. Konfigurasikan mesin dan buat sesi
# Catatan: Inferensi untuk model VL Model Studio (Bailian) dijalankan pada mesin DPE
# dan ditagih berdasarkan konsumsi token. Tidak perlu penyediaan CU atau GU.

# Buat sesi MaxFrame
session = new_session(o)
print(f"Session ID: {session.session_id}")
print(f"Logview: {session.get_logview_address()}")

# Muat model VL dari kumpulan model publik Model Studio (Bailian)
image_llm = read_odps_model(
    "qwen3.6-plus", project="bigdata_public_modelset", odps_entry=o
)

## 4. Siapkan data gambar dari OSS

# Gunakan format `oss://<endpoint>/<bucket>/<path>` dan berikan kredensial akses OSS Anda melalui `storage_options`.
# Konfigurasi OSS
OSS_ENDPOINT = "oss-cn-shanghai-internal.aliyuncs.com"  # Ganti dengan endpoint OSS Anda
OSS_BUCKET = "your-bucket"                              # Ganti dengan nama bucket Anda
OSS_PREFIX = "images"                                   # Ganti dengan awalan path gambar

storage_options = {
    "access_key_id": os.getenv("OSS_ACCESS_KEY_ID"),
    "access_key_secret": os.getenv("OSS_ACCESS_KEY_SECRET"),
}

# Buat daftar URL gambar
image_urls = [
    f"oss://{OSS_ENDPOINT}/{OSS_BUCKET}/{OSS_PREFIX}/image{i}.jpg"
    for i in range(1, 9)
]

df = md.DataFrame({"image_url": image_urls})
df.execute()

## 5. Panggil model VL untuk pemahaman gambar

# Berikan prompt teks dan gambar OSS ke model menggunakan antarmuka `generate()`.

cp = image_llm.content_part

result_df = image_llm.generate(
    df,
    messages=[
        {
            "role": "user",
            "content": [
                cp.text("Describe this image in one sentence"),
                cp.image(
                    data=df.image_url,
                    type=ImageContentType.IMAGE_URL,
                    storage_options=storage_options,
                ),
            ],
        }
    ],
    simple_output=True,
    params={"max_tokens": 128},
)

## 6. Jalankan inferensi dan lihat hasilnya

# MaxFrame menggunakan eksekusi lazy. Panggil .execute() untuk memicu komputasi aktual.
result = result_df.execute()
print(result)

## 7. Bersihkan sumber daya
session.destroy()
print("Session destroyed")

SET odps.namespace.schema=true;

SELECT 
    prompt,
    AI_GENERATE(
        bigdata_public_modelset.default.`qwen3.7-max`,
        DEFAULT_VERSION,
        concat('Perform sentiment classification for the following review. The output must be exactly one of the following three options: Positive, Negative, Neutral. Review:', prompt)
    ) AS generated_text
FROM (
    VALUES 
        ('The weather is great today, and I''m in a good mood! It''s sunny and perfect for a walk.'),
        ('The weather is great today, and I''m in a good mood! It''s sunny.'),
        ('Technology is advancing rapidly, and AI is changing our lives.'),
        ('The prevention and control measures are excellent. Kudos to the healthcare workers!'),
        ('The quality of this product is very poor.')
) t (prompt);